Normalization Method Selection to Enhance Sustainable Manufacturing Decision-Making in Benefit and Cost-based Aspects of MCDM

기술 요약: 지속 가능한 제조 의사결정 강화를 위한 정규화 방법론 선정

문제 정의
제조업의 지속 가능성 맥락에서, 다기준 의사결정(MCDM)은 사회적, 환경적, 경제적, 기술적 차원을 포함하는 복잡한 시스템을 평가하는 데 필수적이다. 그러나 이러한 평가는 결정 기준들이 크기, 측정 단위, 선호 방향(이득 vs 비용) 측면에서 매우 큰 변동성을 보인다는 결정적인 문제에 직면해 있다. 이러한 데이터 이질성은 비교와 분석에 상당한 어려움을 초래하며, 의사결정 결과의 불확실성, 불일치 및 잠재적인 순위 역전(rank reversal)을 야기한다.

본 논문은 이러한 의사결정 리스크의 주요 원인이 MCDM 모델의 구조 자체가 아니라, 데이터 정규화 과정에서 발생하는 수치적 왜곡임을 밝히고 있다. 기존 문헌들은 다양한 극한 또는 한계 조건(예: 분산이 0인 경우, 혼합 부호, 합계가 0인 경우) 하에서 서로 다른 정규화 방법들이 어떻게 작동하는지 평가하기 위한 체계적인 시나리오 기반 프레임워크가 부족하다. 결과적으로, 정규화 방법의 선택은 관습이나 소프트웨어 기본 설정에 따라 임의적으로 이루어지는 경우가 많으며, 이는 지속 가능한 제조 의사결정의 신뢰성과 정확성을 저해한다.

연구 방법론
이러한 격차를 해소하기 위해, 본 연구는 널리 사용되는 정규화 방법들을 체계적으로 평가하고 비교하기 위해 구조화된 시나리오 기반 분석 프레임워크를 채택하였다. 연구 방법론은 다음 단계로 진행된다:

1. 방법론 선정: 포괄적인 문헌 검토를 바탕으로, 비교 분석을 위해 14가지 이득 및 비용 기반 정규화 방법을 식별하고 필터링하였다. 여기에는 Sum-based Linear, Vector, Max, Logarithmic, Min-Linear, Max-Min, Max-Min (Weitendorf's Linear), Stopp, Nonlinear (Peldschus), Z-Score, Enhanced Accuracy, 그리고 Lai & Hwang 방법이 포함된다.
2. 시나리오 정의: 다양한 수치적 조건에 대한 방법론들의 강건성(robustness)을 테스트하기 위해 7가지의 뚜렷한 입력값 시나리오(케이스)를 정의하였다:
   • 케이스 1: 양수 값만 존재 ($x_{ij} > 0$).
   • 케이스 2: 0을 포함한 양수 값 ($x_{ij} \ge 0$).
   • 케이스 3: 음수 값만 존재 ($x_{ij} < 0$).
   • 케이스 4: 0을 포함한 비양수 값 ($x_{ij} \le 0$).
   • 케이스 5: 혼합 유리수.
   • 케이스 6: 입력값의 합이 0인 경우 ($\sum x_{ij} = 0$).
   • 케이스 7: 역수의 합이 0인 경우 ($\sum (1/x_{ij}) = 0$).
3. 평가 기준: 각 방법론을 이 7가지 케이스에 대해 이득 및 비용 최적화 측면 모두에 적용하였다. 성능은 다음을 기준으로 평가되었다:
   • 수치적 유효성(Numerical Validity): 방법론이 정의된 값을 생성하는지, 혹은 오류(예: 0에 의한 나누기)를 발생하는지 여부.
   • 유계성(Boundedness): 정규화된 값이 표준적이고 해석 가능한 범위인 [0, 1] 내에 존재하는지 여부.
   • 안정성(Stability): 극단적인 팽창, 부호 반전 또는 변별력 상실 없이 모든 7가지 시나리오 전반에서 일관된 성능을 보이는지 여부.

주요 결과
비교 분석 결과, 14가지 방법론 사이에서 뚜렷한 성능 계층이 나타났다:

• 최상위 성과 그룹:

  • Enhanced Accuracy 정규화: 가장 강건한 방법으로 식별되었다. 이 방법은 7가지 모든 케이스의 이득 및 비용 기준에 대해 안정적이고 짧은 범위 내에서 정규화된 값을 일관되게 생성하였다. 또한 0에 의한 나누기 오류를 성공적으로 피하고, 이상치를 제어하며, 극단적인 값이 지배하지 않도록 상대적 순위를 보존하였다.
  • Max–Min Weitendorf's Linear (WL) 정규화: 두 번째로 높은 순위를 기록했다. 이 방법은 모든 케이스에서 값을 표준 [0, 1] 범위 내로 일관되게 제한하였다. 매우 신뢰할 만하지만, Enhanced Accuracy 방법론에 비해 극단적인 값에 대한 민감도가 약간 더 높게 나타났다.

• 중위 성과 그룹:

  • Vector 정규화: 수학적 일관성을 보여주었으나, 규모가 큰 기준에 편향되어 규모 차이가 큰 데이터셋에서 순위를 왜곡할 가능성이 있는 것으로 나타났다.
  • Z-Score 및 Lai & Hwang 정규화: 안정적인 결과를 제공하였으나, 동적 범위(dynamic range)가 제한적이거나 부호 불일치가 발생하여 순위 기반 MCDM에서의 해석을 어렵게 만드는 것으로 언급되었다.

• 저조한 성과 또는 무효한 방법론:

  • Logarithmic, Min-Linear, Stopp, 그리고 표준 Max-Min 정규화 등의 방법은 신뢰할 수 없는 것으로 밝혀졌다. 이들은 특정 시나리오(특히 0 또는 음수가 포함된 경우)에서 빈번하게 실패하거나, 정의되지 않은 결과를 생성하거나, [0, 1] 범위를 벗어난 값을 생성하거나, 극단적인 수치적 팽창(예: 수백만 단위 또는 지수 형태)을 유발하였다.

핵심 기여

1. 체계적 프레임워크: 본 논문은 단순한 데이터셋 비교를 넘어 경계 조건에서의 근본적인 수치적 동작을 테스트함으로써, 정규화 방법을 평가하기 위한 시나리오 기반 프레임워크를 구축하였다.
2. 우선순위 가이드: 일반적인 제조 지속 가능성 목적의 MCDM 애플리케이션을 위한 정규화 방법의 명확한 우선순위 목록을 제공하여, 의사결정자에게 구조화된 선택 도구를 제공한다.
3. 리스크 완화: 불확실성 전파와 수치적 왜곡을 최소화하는 방법론을 식별함으로써, 본 연구는 데이터 이질성과 관련된 의사결정 리스크를 줄이는 메커니즘을 제시한다.

의의 및 주장
저자들은 식별된 우수 방법론(Enhanced Accuracy 및 Max–Min WL)의 채택이 지속 가능한 제조 의사결정의 정확성, 신뢰성 및 일관성을 직접적으로 향상시킨다고 주장한다. 정규화된 데이터가 표준 범위 내에 유지되고 선호 구조를 보존하도록 함으로써, 이러한 방법론들은 더 정확한 리스크 평가와 자원 배분을 지원한다.

본 연구는 정규화를 단순한 기술적 전처리 단계가 아니라, 의사결정 정확도를 결정짓는 핵심 요소로 규정한다. 제안된 프레임워크는 엔지니어, 관리자 및 정책 입안자들이 자신의 데이터 특성에 가장 적합한 정규화 기법을 선택할 수 있도록 도와, 지속 가능성 평가의 전반적인 질을 높이고 UN 지속가능발전목표(SDGs)를 포함한 광범위한 사회경제적 발전 목표를 지원하는 것을 목적으로 한다. 결론적으로, 본 논문은 MCDM 방법론의 선택도 중요하지만, 유효하고 지속 가능한 결과를 보장하기 위해서는 강건한 정규화 방법의 선택이 그만큼 중요하다는 점을 강조한다.